机器学习方法线性回归逻辑回归多项式曲线拟合聚类原型聚类（prototype-based clustering）密度聚类（density-based clustering）层次聚类（hierarchical clustering）降维主成分分析异常值检测
机器学习方法
线性回归、逻辑回归、朴素贝叶斯、随机森林、支持向量机、神经网络
- 机器学习算法的分类方式有很多种，如果按照学习方式分类可分为：
- 如果按照学习任务分类可分为以下三类：
- 关系
线性回归
逻辑回归
多项式曲线拟合
聚类
同样的聚类分析也广泛应用于一些探索性领域，如统计学与模式分析、决策支持、WEB挖掘、网络安全、地质勘探、心理学、考古学等。
原型聚类（prototype-based clustering）
密度聚类（density-based clustering）
层次聚类（hierarchical clustering）
- 划分方法 ，根据一定的标准（例如数据特征间的最小均方误差总）和来划分类别，划分方法满足两个条件： （1）每个簇至少包含一个对象； （2）每个对象必需属于且仅属于某一个簇。典型的算法有K-Means，K-Medoids，CLARANS，Canopy；
- 层次方法， 根据一定的标准进行数据的层次分解，典型的算法有Diana，Agnes，BIRCH，CAMELEON；
- 基于密度的方法 功能，根据数据间的连接性和密度函数来划分类别，典型的算法有DBSCAN，OPTICS，DenClue；
- 基于模型的方法 ，对每个类别进行概率假设，直到拟合到最佳模型，典型的算法有EM（期望极大算法），SOM，COBWEB；
- 基于网格的方法 ，基于多层粒度结构，典型的算法有SING，Wave Cluster，CLIQUE；
- 基于约束的方法，基于特定用户或特定应用的约束，典型的算法有COD（obstacles），constrained clustering；
- 基于频繁模式的方法 等功能，功能按钮位于编辑区域与预览区域中间；
- 基于链接的方法，数据对象通常以各种方式链接在一起，典型的算法有SimRank，LinkCLus。